Девятого ноября в Москве обнародовали выводы обзора, посвящённого применению искусственного интеллекта в химии. Российские специалисты выяснили, где нейросети уже приносят измеримую пользу, и назвали условие для заметного роста качества их работы. Об этом сообщает издание ТАСС.
По данным пресс-службы Сколтеха, основной эффект даст соединение больших языковых моделей со специализированными системами. Такие системы должны понимать химические и физические закономерности, а не только работать со статистикой.
Глава группы Института органической химии РАН Михаил Медведев связал следующий этап с объединением языковых моделей и моделей, обученных с учётом физики. По его словам, ИИ-агент должен определять, когда прогноз такой модели опирается на данные, а когда выходит за их пределы. Кроме того, ему предстоит выбирать опыт, который сильнее всего сократит неопределённость.
Обзор готовили исследователи из ИОХ РАН, Центра искусственного интеллекта Сколтеха, Университета ИТМО в Санкт-Петербурге и других научных организаций страны. Они разобрали, на каких стадиях химических работ алгоритмы помогают заметно, а также оценили риски, связанные с надёжностью прогнозов.
Александр Рябов, старший научный сотрудник из Центра ИИ Сколтеха, обратил внимание на практическую сторону. Высокая точность на тестовых наборах, по его оценке, не гарантирует пользы для исследователя. Важнее, умеет ли система объяснять измерения, предлагать информативные опыты и сохранять надёжность при встрече с незнакомыми соединениями и процессами.
Анализ показал три направления, где машинное обучение уже усилило химиков. Первое связано с расшифровкой данных спектроскопии, масс-спектрометрии и микроскопии. Второе — с отбором перспективных соединений и реакций среди множества вариантов. Третье — с автоматизированными многоэтапными опытами, когда прогнозы сопоставляют с результатами.
В дальнейшем, по мнению авторов обзора, химическому ИИ нужно соединить языковые модели со специализированными нейросетями, которые учитывают ограничения физики и химии. Фундаментальные модели и интеллектуальные экспериментальные платформы предстоит проверять в полном цикле — от постановки задачи до воспроизводимого результата.